TACO：一种基于令牌感知的上下文优化技术，用于生成结构化的OpenStreetMap查询

《Proceedings of the ACM on Management of Data》：TACO: Token-Aware Context Optimization for Structured OpenStreetMap Query Generation

　　

摘要AI摘要

要查看此AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

由于OverpassQL的语法较为严格，且对于最终用户来说学习曲线较陡峭，因此从自然语言生成适用于OpenStreetMap（OSM）的可执行结构化查询仍然是一项具有挑战性的任务。虽然通过演示上下文引导大型语言模型（LLMs）提供了一个有前景的解决方案，但现有的基于检索的方法通常忽略了令牌预算这一关键限制。这种疏忽往往会导致过高的推理成本，并且忽略了上下文选择的组合性质，从而导致性能不佳。此外，缺乏可靠的基准测试也阻碍了该领域的严格评估。

为了解决这些挑战，我们首先推出了OsmNL，这是一个通过人工干预流程精心策划的基准测试工具，用于解决先前数据集中的对齐问题。在此基础上，我们将构建最优演示上下文的问题定义为预算示例子集挖掘（BESM）问题。我们将BESM视为一个NP难优化问题，它允许子模目标，理论上能够在语义相关性和结构多样性之间取得平衡。利用这一特性，我们提出了TACO（Token-Aware Context Optimization），这是一个原理性的框架，可以实例化一系列具备预算意识的算法，在近似保证和计算效率之间进行权衡。在对OsmNL进行的广泛实验表明，TACO达到了新的行业标准，其准确性与强大的基线相比有了显著提高，同时将令牌消耗减少了50%以上，从而为大规模地理空间查询接口提供了一个强大且成本效益高的解决方案。

AI摘要

AI生成的摘要（实验性）

该摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、评估相关性，并帮助来自相关研究领域的读者理解本文内容。它旨在补充作者提供的摘要，后者仍是论文的官方总结。完整文章才是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和有用性进行评论。您的反馈将有助于改进未来的版本。

要查看 questa AI生成的简单语言摘要，您必须具有高级访问权限。